数据仓库搭建必知的知识点（干货，建议收藏）

1.数据仓库概念

（1）数据仓库是为企业所有决策制定过程，提供所有系统数据支持的战略集合。
（2）通过对数据仓库中数据的分析，可以帮助企业，改进业务流程、控制成本、提高产品质量等。
（3）数据仓库，并不是数据的最终目的地，而是为数据最终目的地做好准备。这些准备包括对数据的：清洗、转义、分类、重组、合并、拆分、统计等。

image.png

2.项目技术如何选型

（1）数据采集传输：Flume、Kafka、Sqoop、Logstash（ELK套件）、DataX（类似Sqoop）
（2）数据存储：Mysql、HDFS、HBase、Redis、MongoDB
（3）数据计算：Hive、Tez、Spark、Flink、Storm
（4）数据查询：Presto、Druid、Impala、Kylin

3.系统数据流程设计

image.png

4.框架版本选型

框架选型尽量不要选择最新的框架，选择最新框架半年前左右的稳定版。
（1）Apache：运维麻烦，组件间兼容性需要自己调研。（一般大厂使用，技术实力雄厚，有专业的运维人员）

image.png

（2）CDH：国内使用最多的版本，但CM不开源，但其实对中小型公司使用来说没有影响（建议使用）

image.png

（3）HDP：开源，可以进行二次开发，但没有CDH稳定，国内使用较少。

5.服务器选型

（1）机器成本考虑：
物理机：以128G内存，20核物理CPU，40线程，8THDD（机械硬盘）和2TSSD硬盘（固态硬盘），戴尔品牌单台报价4W出头，需考虑托管服务费用。一般物理机寿命5年左右。

云主机：以阿里云为例，差不多相同配置，每年5W。

（2）运维成本考虑：
物理机：需要有专业的运维人员。
云主机：很多运维工作都由阿里云完成，运维相对较轻松。

6.集群资源规划设计

1）如何确认集群规模？（假设：每台服务器8T磁盘，128G内存）
（1）每天日活跃用户100万，每人一天平均100条：100万* 100条=10000万条
（2）每条日志1K左右，每天1亿条：100000000/1024/1024=约100G
（3）半年内不扩容服务器来算：100G* 180天=约18T
（4）保存3副本：18T* 3=54T
（5）预留20%~30%Buf=54/0.7=77T
（6）算到这：约8T* 10台服务器
2）如果考虑数仓分层？
服务器将近再扩容1-2倍

3）测试集群服务器规划

image.png